本文介绍了监督学习的概念，包括类学习、最特殊假设S和最一般假设G，以及解空间和误差函数。讨论了最大边缘在选择假设中的作用，并提出了泛化问题，即对未见过实例的分类准确性。此外，还引入了VC维，用于衡量假设类H的学习能力，举例解释了直线和轴平行矩形的VC维。
2.1由实例学习类
类学习：寻找一个涵盖所有的正例而不涵盖任何负例的描述
类识别器的蔬菜如：对识别结果有关键影响的特征
假设类：H{所有特征值的上下界作为元素组成}
最特殊假设：S覆盖所有正例且不包含所有负例的最小矩形
最一般假设：G覆盖所有正例且不包含所有负例的最大矩形
介于S~G之间的h均为无误差的有效假设，与训练集χ相容，这些h构成了解空间
C：实际类
边缘：h的边界和他相邻最近的实例（正例/负例）之间的差距。最大边缘：S与G中间
误差函数在最大边缘上的最小化：不仅仅返回0、1
诱导假设：h{设定的特征值的上下界作为元素组成}
经验误差：h的预测值不同于训练集
最低0.47元/天 解锁文章
1086
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
